Google 多模态嵌入模型：一个向量装下图文视频商品页

Google 新多模态嵌入模型可将文字描述、多张照片加演示视频的完整商品 listing 嵌入同一个向量，通过标记在文本中插入多媒体，实现图文视频混合检索。所有模态共享 8,192 token 上下文窗口，默认开销为图像 280 token、视频帧 140 token、音频每秒 25 token。